全球視野的大類資產風險溢出研究

陳聲利，趙學軍，張自力

1 北京大學 光華管理學院，北京 100871

2 嘉實基金管理有限公司，北京 100005

引言

隨著金融國際化程度不斷加深，國家或地區之間的金融活動相互滲透，金融風險跨市場、跨區域、跨品種的傳染不斷加劇。金融市場間不僅存在資產價格方面的相互影響，還普遍存在資產波動率方面的相互影響。一個金融市場的波動可能引起另一個金融市場的波動，這種現象稱之為波動溢出效應。由于波動率測量了市場風險，波動溢出又被稱為風險溢出。近年來，全球金融市場經歷了多次嚴重的金融危機，如亞洲金融危機、美國次貸危機等。金融風險往往從一個市場產生，然后傳導到另一個市場，在風險傳播過程中經常出現波動加劇、多市場共振的現象。準確測量金融市場的風險溢出效應，不僅有助于深入理解金融風險傳播機制，還有助于監管部門制定政策、投資者管理風險和投資決策。

當前，全球經濟形勢很嚴峻，各國利率政策、中美貿易摩擦、英國脫歐以及地緣沖突等不確定性，將對全球金融市場產生持續性沖擊。作為流動性最強的外匯市場往往與股票市場和大宗商品市場有千絲萬縷的聯系，從全球視野研究匯率、股市、大宗商品波動的相互溢出，有助于追溯風險源，對大類資產配置具有重要意義。本研究基于修正的已實現波動率建立向量自回歸模型，利用廣義誤差方差分解方法構建方向性風險溢出指數和風險溢出網絡，通過靜態分析和滾動分析研究全球27種資產的風險溢出行為。

1相關研究評述

1.1研究方法

風險溢出一直是研究熱點，針對風險溢出的研究方法也不斷創新。學者們早期使用GARCH模型建模研究風險溢出。HAMAO et al.[1]利用GARCH建立兩步法，先用GARCH對資產建模并提取殘差，然后將殘差平方作為資產波動率放入其他資產的GARCH模型中，通過估計系數的顯著性判斷是否存在風險溢出效應；CHEUNG et al.[2]提出基于GARCH模型標準化殘差的交叉相關函數的風險溢出檢驗方法；李成等[3]和BILLIO et al.[4]使用多元GARCH和多元SV等多元波動率模型，從方差因果性檢驗視角研究風險溢出問題。此外，也有學者通過分析因子模型的結構變化考察是否存在金融傳染[5-7]。當研究的資產較多時，上述研究方法估計參數比較難。

從脈沖分析視角研究風險溢出是比較常用的方法?？紤]多變量的非線性建模，KOOP et al.[8]建立非線性模型的脈沖分析方法?？紤]多變量的線性建模，許多學者建立VAR模型的脈沖分析方法。PESARAN et al.[9]針對非嚴格VAR模型或協整VAR模型建立廣義脈沖分析方法；SOYDEMIR[10]基于平方收益率、已實現波動率、極差波動率等波動率代理變量構建VAR模型，通過VAR模型及其脈沖響應分析研究風險溢出關系；DIEBOLD et al.[11]基于VAR模型的方差分解進一步構建風險溢出指數，并計算不同市場的凈溢入指數和凈溢出指數。以上研究方法一般從全樣本視角研究資產之間的溢出效應，但無法研究風險溢出效應的時變特征，也無法得到所有資產的凈風險溢入、凈風險溢出和整體溢出效應。

隨著經濟形勢和市場結構的變化，金融資產之間的風險溢出效應也會動態變化，針對時變的風險溢出行為研究一般采用滾動時間窗VAR方法。DIEBOLD et al.[11-13]利用滾動時間窗VAR建模和方差分解，實現對風險溢出效應的時變估計，構建總溢出指數和方向性溢出指數，探討不同資產之間的時變凈溢入和凈溢出效應(簡稱為DY模型)；DEMIRER et al.[14]通過結合LASSO估計將DY模型擴展到越來越相關的高維環境。由于Diebold-Yilmaz框架可以用資產的已實現波動率作為變量進行VAR建模[15]，隨著已實現半方差的提出[16]，BARUNK et al.[17-18]和APERGIS et al.[19]基于好壞波動率建立了不對稱波動率的溢出研究方法。

隨著資產數量增多，僅用計量方法很難直觀分析風險溢出效應，近年來復雜網絡或知識圖譜為金融資產風險溢出研究提供了新工具。如果將金融資產視為復雜網絡的節點，將資產之間的風險傳導關系視為復雜網絡的邊，那么可將金融資產構建為風險溢出網絡。代表性成果是DIEBOLD et al.[13]在DY模型基礎上建立有向網絡，并用網絡拓撲方法研究金融危機期間的風險溢出。進而，DIEBOLD et al.[20-21]利用有向溢出指數和風險溢出網絡研究金融機構、金融市場和宏觀經濟的風險溢出效應。

1.2實證研究

實證研究風險溢出一直很活躍，學者們研究不同股市之間的風險溢出效應。HAMAO et al.[1]建立GARCH模型研究風險溢出，發現美國、英國和日本股市之間存在風險溢出關系；BARUNK et al.[17]利用好壞波動率建立VAR模型，研究發現美國股市存在不對稱溢出效應。關于A股的風險溢出的研究，裴茜等[7]研究發現中國股票行業指數之間存在風險傳染，而鄭挺國等[22]研究發現股市風險溢出效應與政策不確定性有一定關聯。為探討A股與海外市場的聯動性，張兵等[23]、李紅權等[24]和周璞等[25]研究發現A股與美股、港股之間存在較強的風險溢出效應。這些研究對風險溢出效應都展開了靜態分析和滾動分析。

外匯市場受國際形勢影響很大，使關于匯率風險的研究備受重視[26]。關于人民幣匯率的溢出行為，趙華[27]研究發現人民幣匯率與利率之間存在風險溢出效應，陳云等[28]研究發現人民幣匯率對股票市場具有風險溢出效應，郝毅等[29]利用MVMQ-CAViaR模型研究發現境內外人民幣外匯市場存在風險溢出效應。不同匯率市場的風險溢出也是研究重點。GREENWOOD-NIMMO et al.[30]利用DY模型研究發現10種匯率存在風險溢出效應；BARUNK et al.[18]基于好壞波動建立VAR模型，研究發現外匯市場出現不對稱溢出效應。這些成果為匯率風險的傳染機制提供了經驗證據。

隨著跨市場風險的不斷增加，跨市場風險溢出也是實證研究的焦點。一些學者研究商品期貨與股市的聯動性，王鵬等[31]研究發現石油期貨與股票市場存在風險溢出效應。也有學者研究地域性風險傳染，華仁海等[32]研究發現國內外期貨市場之間存在風險溢出效應。部分學者研究匯市、股市和債市的聯動性，陳創練等[33]改進VAR模型和脈沖分析，研究發現外匯市場、債券市場和股票市場存在交叉溢出關系；周愛民等[34]利用GARCH建模研究發現股票市場與外匯市場之間存在風險溢出效應。此外，還有學者聚焦于中美利率政策的溢出效應，郭棟[35]基于GVAR和TVP-VAR模型研究發現美國國債利率對中國債市存在沖擊行為。這些研究充分表明，外匯市場、股票市場和大宗商品市場存在較強的風險傳染。

隨著資產數量增多，學者們采用DY模型的滾窗方法研究風險溢出行為。部分學者聚焦在貴金屬市場的風險溢出研究，LUCEY et al.[36]建立DY模型研究發現倫敦、紐約、東京和上海4個黃金市場之間的風險溢出，BATTEN et al.[37]研究發現黃金、白銀、鉑金和鈀金4種貴金屬之間的風險溢出效應。諸多學者把焦點放在全球股市之間的風險傳染，梁琪等[38]基于有向溢出指數研究發現中國股市與海外股市存在風險傳染行為，YAROVAYA et al.[39]研究發現歐洲、亞洲等4個區域21個股市之間存在風險溢出效應。有些學者從恐慌指數視角研究風險傳染，YANG et al.[40]根據11個金融市場的恐慌指數(VIX)研究發現，美國量化寬松政策對國際主要市場具有風險溢出效應。此外，還有學者同時研究股市、債市和期市的交叉溢出效應，劉超等[41]研究發現中國股市、債市、商品等市場之間存在風險溢出效應。由此可知，已有研究采用不同數據驗證了DY風險溢出研究方法的有效性。

1.3研究不足和對策

根據上述分析可知，在資產數量較多的情況下，DY框架已成為研究大類資產風險溢出的主流方法。DY框架衍生出的方向性溢出指數和風險溢出網絡為研究風險溢出提供了有效工具，人們既可以使用時變溢出指數研究風險溢出的動態演變，又能進一步轉化為風險溢出網絡直觀揭示金融資產之間的風險傳染機制。然而，已有實證研究依然存在不足：①學者們局限于研究兩個市場內的風險溢出關系，鮮有學者將全球金融市場視為一個整體研究風險溢出效應；②外匯市場、股票市場和期貨市場之間的相互溢出研究成果很少；③較少學者從大類資產視角研究每個資產的風險溢出表現；④復雜網絡是研究風險溢出效應的新方法，然而除DIEBOLD et al.[13,20-21]發表的成果外，其他學者的研究貢獻十分有限。

為了彌補以上不足，本研究沿用DY框架構建時變風險溢出指數和風險溢出網絡，從全球視角對外匯市場、股票市場和期貨市場的27種資產展開詳實的風險溢出行為研究。既考察同類資產的風險傳染機制，又探討交叉市場的風險聯動，可為大類資產的風險溢出提供較為全面的經驗證據。

2理論方法

2.1波動率的測量方法

首先闡述風險溢出測量方法中所采用的已實現波動率。令prit為t時刻的資產價格，則對數化的價格為ρt，ρt=log(prit)，可以表示為連續時間過程，即

(1)

其中，μη為局部有界的均值變量，σs為數值為正的隨機波動變量，η和s為時間變量，Jt為跳躍成分。對數價格ρt的二次變差過程為

(2)

為了估計二次變差，ANDERSEN et al.[15]首次提出已實現波動率，并證明在無市場微觀結構噪聲條件下，它是二次變差的一致估計量。假設rk為高頻對數收益率，則定義已實現波動率為

(3)

其中，RV為已實現波動率，n為抽樣頻數，k為循環變量。當n趨于無窮時，RV的概率收斂于二次變差[ρt,ρt]。

考慮到市場微觀結構噪聲的影響，本研究采用HANSEN et al.[42]提出的已實現核估計對已實現波動率進行噪聲糾偏。根據陳聲利等[43-44]的推導，將(3)式修正為

(4)

2.2風險溢出的建模理論

溢出指數計量方法最早由DIEBOLD et al.[11]提出，該方法基于向量自回歸模型刻畫多變量之間的線性關系，通過預測誤差方差分解得到廣義誤差方差分解矩陣，用來描述變量之間的相互關系。在此基礎上，DIEBOLD et al.[11-12]提出總溢出指數、有向溢出指數和凈溢出指數。下面將系統闡述風險溢出的相關理論。

2.2.1 VAR模型和方差分解

若研究金融市場的N個資產之間的風險溢出行為，可以將N個資產的已實現波動率向量作為回歸變量，建立p階的向量自回歸模型(VAR(p))，表示為

(5)

其中，RVt為已實現波動率向量，RVt=(RV1t,RV2t,…,RVNt)′；Φτ為N×N維的系數矩陣；τ為階數的循環變量；εt為N×1維的隨機擾動項，且εt～iid(0,Σε)，Σε為N×N維的εt的協方差矩陣。VAR(p)的移動平均形式為

(6)

其中，h為循環變量；Ah為系數矩陣。當h<0時，Ah=0；當h>0時，Ah滿足遞歸過程，即

Ah=Φ1Ah-1+Φ2Ah-2+…+ΦpAh-p

(7)

特別的，A0為N×N維的單位矩陣。據此，考慮向前H步預測，可計算出H個系數矩陣，即A0,A1,…,AH-1。

令i和j代表兩個不同的資產，則預測誤差方差分解的核心任務是，估計i資產向前H步預測的誤差方差中有多少成分來自于j資產的新息沖擊。在VAR(p)模型一般框架下，根據PESARAN et al.[9]的廣義脈沖函數可計算出N×N維廣義誤差方差分解矩陣Θ，矩陣中的每個元素為

(8)

(9)

2.2.2 風險溢出的測量方法

(1)總風險溢出指數，測量N個資產波動率之間的相互溢出效果對總預測誤差方差的貢獻，計算方法為廣義誤差方差分解矩陣的所有非對角元素求和取平均，即

(10)

(11)

(12)

(11)式和(12)式計算得到的皆為方向性的溢出指數，后文分別將二者簡稱為溢入指數和溢出指數。

(13)

2.3風險溢出網絡

多種金融資產之間的風險傳染是通過波動率的相互溢出實現的，因此可以使用復雜網絡方法建立金融風險溢出網絡?；趶碗s網絡構建風險溢出網絡的核心思想是，將金融市場中各類金融資產作為節點，節點之間的連邊代表資產之間的風險溢出關系。借鑒DIEBOLD et al.[13,20]的研究，本研究將廣義誤差方差分解矩陣作為金融風險溢出網絡的連接矩陣，構建面向大類資產的風險溢出網絡，并通過節點的網絡中心度分析大類資產之間的風險傳染機制。

根據復雜網絡的定義，節點的網絡中心度為該節點相連的邊的權重之和，用以衡量節點的重要性。節點的網絡中心度越大，該節點在金融風險溢出網絡中所處的地位越重要。對于有向網絡而言，網絡中心度又分為出度和入度。由于廣義誤差方差分解矩陣是有方向的，本研究構建的金融風險溢出網絡本質上是有向網絡。前文建立的有向溢出指數，即溢出指數和溢入指數，可以直接體現為節點的加權出度和加權入度。在具體的實證研究中，本研究在構建風險溢出網絡時將每個資產視為同質化的，無需特別區分匯率、股票指數和商品期貨，并且主要以溢出指數對應的網絡中心度探討風險溢出行為。

3實證研究

針對2000年以來外匯市場、股票市場和期貨市場的27種資產，通過靜態分析和滾動分析對大類資產的風險溢出展開分析。靜態分析和滾動分析都包含4組實驗，分別為8種匯率的外匯市場風險溢出研究、11種股票指數的股票市場風險溢出研究、6種大宗商品的商品期貨市場風險溢出研究，以及27種資產的交叉風險溢出研究。在交叉風險溢出研究中，除8種貨幣匯率指數、11種股票指數和6種大宗商品外，還使用了美國10年期國債期貨和美國VIX期貨兩種獨特的期貨。在實證研究中，首先對研究數據進行闡述，然后計算月度已實現波動率并進一步檢驗月度已實現波動率的平穩性，最后利用月度已實現波動率建立VAR模型研究風險溢出行為。

3.1研究數據

本研究從彭博系統獲取全球主要經濟體的外匯匯率、股票指數和大宗商品的歷史數據，時間區間為2000年1月1日至2019年5月20日，共233個月，累計5 058天的日度數據。鑒于美元是世界主要存儲和流通的貨幣，本研究重點研究8個國家或地區的貨幣兌美元的匯率，這些貨幣包括歐元EUR、英鎊GBP、日元JPY、瑞士法郎CHF、澳元AUD、加元CAD、港幣HKD和人民幣CNY。后文將歐美匯率EUR/USD簡寫為EUR，其他匯率類似。所有匯率數據均為紐約時間每天下午5點的收盤價。

根據上述匯率覆蓋的國家或地區，本研究獲取11種有代表性的股票指數，具體為美國標普500指數(SPX)、歐元區斯托克價格指數(SX5E)、法國CAC400指數(CAC)、德國DAX30指數(DAX)、日本日經225指數(NKY)、香港恒生指數(HSI)、中國上證指數(SSEC)、加拿大標普TSX綜合指數(SPTSX)、英國富時100指數(UKX)、澳大利亞綜合指數(AS30)、瑞士股票指數(SMI)。

本研究考察的大宗商品包括倫敦金屬交易所(LME)的金屬期貨(如黃金GOLD、白銀SLVR、銅CU和鋁AL)、倫敦洲際交易所(ICE)的布倫特原油期貨(OIL)和芝加哥商品交易所(CME)的大豆期貨(Y)。本研究選取的商品期貨具有代表性，黃金和白銀是具有避險功能的貴金屬，銅和鋁是重要的工業原料，原油是核心能源，大豆是全球性的農產品。本研究選用布倫特原油期貨作為研究對象，是因為布倫特原油體系比美國WTI原油覆蓋更大的交易量。此外，本研究增加了兩種特殊期貨品種，一種是美國10年期國債期貨(T10Y)，它與美國10年期國債收益率關系密切；另一種是VIX期貨，其標的是芝加哥期權交易所的恐慌指數VIX。

由于不同交易所的收盤時間不同，從彭博提取的股票指數和期貨指數的收盤時間存在時差。但是由于本研究采用月度已實現波動率研究風險溢出效應，其結果受收盤價時間差異或日內波動行為差異影響很小。借鑒黃卓等[45]的研究，本研究利用日頻數據估計上述8種匯率、11種股票指數、6種大宗商品和2種特殊期貨的月度已實現波動率。為確保波動率的準確性，計算已實現波動的日頻收益率rt，rt=100[log(ρt)-log(ρt-1)]。由于篇幅限制，本研究省略了上述資產價格走勢和已實現波動率的描述性統計，如讀者需要，可聯系作者索取。月度已實現波動率的LB(20)檢驗結果表明，除大豆期貨波動率外，其他所有資產均顯著為0，說明已實現波動率不是白噪聲序列，具有長記憶性和預測性。此外，ADF檢驗結果表明，除CNY外，其他所有資產在0.050水平上都顯著，證明已實現波動率是平穩序列，滿足VAR(p)建模條件。

3.2風險溢出行為的靜態分析

根據不同資產的月度已實現波動率構建VAR(p)模型。VAR模型的廣義預測誤差方差分解需確定兩個關鍵參數，即VAR模型階數p和方差分解的步數H。借鑒梁琪等[38]的研究，VAR(p)模型的階數p可根據赤池信息準則(AIC)確定。具體方法是取p為1～10依次計算AIC值，選擇最小AIC值對應的p作為模型階數。本研究根據全樣本的統計實驗發現AIC值最小時對應的階數為3，即使用過去3個月的波動率預測下月波動率的表現較好。在計算廣義脈沖響應函數時，隨著向前預測步數H的變大，方差分解結果逐漸趨于穩定。本研究取H為1～10依次計算總風險溢出指數，發現當H取3時總風險溢出指數接近穩定值。綜上分析，本研究選取p為3、H為3進行廣義誤差方差分解并計算溢出指數。

利用全樣本數據，即233個月度已實現波動率序列作為靜態數據，對當前時刻的VAR(3)模型進行參數估計，采用所估計VAR模型滾動向前預測3步，根據廣義誤差方差分解矩陣計算溢出指數。下面根據風險溢出表對風險溢出行為進行靜態分析。

3.2.1 外匯市場的風險溢出

為了研究匯率之間的風險傳染行為，對8種匯率波動構建VAR(p)模型進行預測誤差方差分解，得到溢出指數，見表1。前8行8列為預測誤差方差矩陣的元素，每行之和為100。矩陣每行數據表示某個資產的預測誤差方差來源于不同資產的風險溢出比例，對角線上的數據表示某個資產來源于自身的風險溢出。

表1 外匯市場的風險溢出Table 1 Risk Spillover of Foreign Exchange Markets

注：括號中的數據為總風險溢出指數，下同。

由表1可知，①CNY、CHF、HKD和EUR這4種匯率受其他匯率的波動沖擊很小，其預測誤差方差更多來源于自身的風險溢出，普遍超過了85%。②CAD和AUD這2種匯率受其他匯率的波動沖擊很大，分別高達85.587%和68.329%，它們主要受歐元和日元匯率波動沖擊。③EUR和JPY的風險溢出最大，分別高達153.889%和61.513%，其他匯率的風險溢出較小。④EUR和JPY為正向的凈風險溢出，表明歐美匯率對各國家或地區的波動沖擊極為顯著，佐證了USD和EUR仍然占據目前最重要的貨幣地位。⑤CNY和HKD匯率風險溢出較小，風險溢入也較小，說明人民幣和港幣的國際化有限。⑥歐元兌英鎊的波動沖擊為31.704%，反過來英鎊對歐元的匯率風險溢出僅為0.210%，該現象佐證了廣義誤差方差分解矩陣的非對稱性。

3.2.2 全球股市的風險溢出

為了研究全球股市之間的風險傳染行為，對11個國家或地區的股票指數構建VAR(p)模型進行預測誤差方差分解，得到風險溢出指數，見表2。由溢入指數可知，大多數全球股市受其他股市的風險傳染較大，CAC、DAX、SPTSX、UKX和SMI等都超過90%，HSI和AS30超過80%，表明全球的股票市場聯動性很強。然而，SPX的風險溢入僅為19.900%。觀察方差分解矩陣元素可知，SPX主要承擔了大部分風險溢出的角色，而受其他股市波動沖擊較小。此外，SSEC受其他股市的風險溢入最小，僅為15.904%，反映其抵御風險的能力較高。

分析溢出指數發現，SPX、NKY、SX5E、DAX和SSEC的溢出指數較大，說明美國、日本、歐元區、德國和中國股市對全球股市具有較強的風險傳染能力。值得強調的是，德國股市比法國股市具有更強的風險溢出效應。SPX的風險溢出異常顯著，高達542.501%，反映美國股市是全球股市波動的最大源頭。由凈溢出指數可知，美國和中國股市為正向的凈風險溢出，其他股市均為負，其原因與美國和中國為全球最大的兩個經濟體有關系。

通過表2可以探討中國股市的風險傳染關系。SPX對SSEC的風險溢出為3.507%，而SSEC對SPX的風險溢出為4.007%，說明在全樣本的靜態分析中中美股市的聯動性較弱。與SSEC相比，SPX對HSI的風險溢出高達53.063%，而HSI對美國股市的風險溢出為0.234%，說明美國股市對香港股市的沖擊較大，但是香港股市對美國股市的影響依然很弱。

3.2.3 大宗商品的風險溢出

為了研究大宗商品之間的風險傳染行為，對6種大宗商品期貨構建VAR(p)模型進行預測誤差方差分解，得到溢出指數，見表3。關于大宗商品的溢入指數，銅受外部市場的沖擊最大，主要源于黃金、白銀和原油的風險溢入。鋁的風險溢入為31.353%，主要受到銅、黃金和白銀的波動沖擊。白銀主要受黃金的波動沖擊。作為唯一的農產品期貨，大豆期貨的風險溢入最小。由此可見，倫敦金屬期貨存在很強的波動聯動性。

表2 全球股市的風險溢出Table 2 Risk Spillover of Global Stock Markets

表3 大宗商品的風險溢出Table 3 Risk Spillover of Commodities

表4 多種資產的風險溢出Table 4 Risk Spillover for Various Assets

分析溢出指數可知，黃金對其他商品的風險溢出極為明顯，達73.679%，白銀的風險溢出也較大，為25.963%，可能與貴金屬的避險保值功能有關系。分析凈溢出指數可知，黃金和原油的凈風險溢出為正。該數據證實原油波動具有較強的風險傳染，這與原油是最重要的能源有關系。比較表1～表3的總風險溢出指數發現，全球股市之間的總風險溢出最大，為75.807%；全球匯市其次，為35.544%；而代表性商品期貨相對較小，僅為26.538%。

3.2.4 多種資產的交叉溢出

為了探究不同資產之間的風險溢出行為，對27種資產構建VAR(p)模型進行預測誤差方差分解，得到每個資產的溢入指數、溢出指數和凈溢出指數，見表4， 27種資產包括8種外匯匯率、11種股票指數、8種商品期貨。

由表4的溢入指數可知，匯率品種中溢入最小的是CNY和HKD，僅為16.657%和21.378%。而受到外部市場波動沖擊較大的匯率為AUD和CAD，分別為79.788%和86.653%。該現象與表1較為相近。股票指數中溢入指數較小者為SSEC(35.295%)和SPX(69.997%)，其他9個股票指數均超過80%。該現象與表2比較接近。期貨品種的溢入指數中，銅的風險溢入最大，為84.107%，大豆期貨和VIX期貨的風險溢入最小，約為28%。

分析表4的溢出指數可知，EUR和SPX的風險溢出最大，遠超其他資產的風險溢出。匯率中溢出指數超過100%的還有JPY和AUD。期貨品種中GOLD、SLVR和T10Y的風險溢出較大，其余資產的風險溢出較小。EUR的凈溢出指數高達224.431%，SPX高達219.614%，充分體現了歐美匯率和美國股市為主要風險傳染源。大部分匯率的凈風險溢出都為正，說明外匯市場對全球金融市場具有強烈的風險溢出效應。除SPX以外，SSEC也是正向的凈風險溢出，表明中美股市對全球金融市場具有較強的風險傳染。

圖1以廣義預測誤差方差矩陣作為連接矩陣構建了風險溢出網絡，它可以直觀揭示不同資產之間的風險溢出關系。該風險溢出網絡具有27個節點、729條邊，節點之間的連邊代表資產之間的風險溢出，揭示了每個資產的風險溢出效應；節點的網絡中心度越大(圓圈越大)，表示溢出指數越大；資產與資產之間的連邊越粗，表示風險溢出越大；箭頭表示風險溢出方向。

圖1中，1為EUR，2為GBP，3為JPY，4為CHF，5為AUD，6為CAD，7為HKD，8為CNY，9為SPX，10為SX5E，11為CAC，12為DAX，13為NKY，14為HSI，15為SSEC，16為SPTSX，17為UKX，18為AS30，19為SMI，20為OIL，21為GOLD，22為SLVR，23為CU，24為AL，25為Y，26為T10Y，27為VIX。由圖1可知，①SPX和歐美匯率的溢出指數最大。SPX幾乎對大部分股票指數都產生較大波動沖擊，而歐美匯率幾乎對大部分匯率和股票指數具有波動沖擊。②美國股市和歐美匯率對香港股市的波動沖擊比上證指數更強。

綜上所述，全球外匯市場、股票市場和期貨市場之間具有很強的風險傳染，其中歐美匯率和美國股市是最主要的風險傳染源。

3.3風險溢出行為的滾動分析

前文根據風險溢出表對風險溢出行為進行了靜態分析。然而，由于風險溢出指數具有時變特征，靜態分析無法揭示波動傳染的動態關系。本研究利用滾動時間窗的樣本數據估計VAR(p)模型，進行廣義誤差方差分解，計算每個資產的時變風險溢出指數，并以此動態跟蹤大類資產的風險溢出效應。

先對同類資產建立VAR(p)模型，然后再對所有資產建立VAR(p)模型。在同類資產構建VAR模型中，采用過去4年滾動時間窗數據(即48個月的已實現波動率序列)擬合VAR(3)模型參數，然后向前預測3個月的波動率構建廣義誤差方差分解矩陣，最終得到時變風險溢出指數。針對所有資產建立的VAR(3)模型，由于要預測的波動率變量高達27種，為了能夠準確估計VAR(3)模型的參數，本研究將滾動時間窗定義為過去10年的已實現波動率序列，即120個月。

3.3.1 外匯市場的滾動溢出

風險溢出的滾動分析主要是跟蹤溢入指數、溢出指數、凈溢出指數和總溢出指數隨時間的動態變化。以8種匯率已實現波動率作為變量建立VAR(p)模型，計算時變風險溢出指數和總風險溢出指數，具體結果見圖2和圖3。圖2各子圖分別包含溢出指數、溢入指數和凈溢出指數。滾動時間起點為2004年1月，終點為2019年5月，累計185個月。

圖2和圖3表明4類指數都表現出明顯的時變特征。圖3總風險溢出指數為圖2中所有溢出指數的平均值，它的變動范圍為[50,90]，說明匯率之間的風險溢出指數之和是隨時間變化的。觀察8種匯率的溢入指數發現，CAD、AUD和CHF等資產頻繁超過90%，說明這些品種承擔了外部市場的大量風險沖擊。歐美匯率的溢入指數長期較小，說明它受其他匯率品種波動沖擊比較有限。

比較分析圖2中不同匯率表現可知，EUR的風險溢出指數和凈溢出指數一直很大，溢入指數非常小，說明歐美匯率在外匯市場中一直是最主要的風險溢出角色。GBP、JPY、CHF、AUD的凈風險溢出指數存在階段性的正負交替，說明這些匯率在外匯市場中階段性地傳染風險。CAD、HKD和CNY的凈溢出指數長期為負，反映了這些匯率長期承受外部市場的風險傳染，對外傳播風險屬于偶發性的。特別的，2016年上半年GBP暴跌，其凈風險溢出超過300%；2015年CHF暴跌，其凈風險溢出超過300%；2016年HKD暴漲，其凈溢出指數突然超過100%。此外，CNY的凈溢出指數從2014年開始呈現上升的態勢，反映了CNY的國際化正在增強。

綜上分析，歐美匯率是外匯市場中最主要的風險傳染源，匯率的大幅漲跌容易對外傳遞風險，較多匯率長期承受風險沖擊。

3.3.2 全球股市的滾動溢出

以11種股票指數的已實現波動率作為變量建立VAR(p)模型，以48個月作為滾動時間窗計算的時變風險溢出指數和總風險溢出指數見圖4和圖5。滾動時間的長度與3.3.1相同，累計185個月。

圖4和圖5表明全球股市的各類溢出指數也具有時變特征。圖5表明股票市場的總溢出指數的變動范圍為[80,90]，其變化范圍比外匯市場小。由圖4可知，SPX、SX5E、SSEC等市場的溢入指數相對較小，但是UKX、AS30、SMI、SPTSX、DAX、CAC等市場的溢入指數卻相當高，長期靠近100%，說明這些股市主要承受外部市場風險沖擊，扮演著趨勢跟蹤的角色。

(a)EUR(b)GBP(c)JPY(d)CHF(e)AUD(f)CAD(g)HKD(h)CNY

圖2外匯市場的時變風險溢出指數
Figure 2Time-varying Risk Spillover Index of Foreign Exchange Markets

圖3 外匯市場的時變總風險溢出指數Figure 3 Time-varying Total Risk Spillover Index of Foreign Exchange Markets

SPX的溢出指數和凈溢出指數很大，長期在[100,600]之間，充分表明SPX在全球股市中一直是最主要的風險源。SX5E除2011年至2015年的凈溢出指數為負外，其他時間主要表現為正向的風險溢出。尤其是2015年以后，SX5E在歐洲股市緩慢上漲過程中扮演著重要的引導角色。DAX在2009年至2012年的凈風險溢出表現為正，表明2008年全球性股災之后德國股市上漲最快。NKY、CAC、HSI和UKX階段性發揮風險溢出效應。SSEC在2008年、2015年的兩輪極端牛熊市(特別是熊市)對全球股市都產生了異常的風險沖擊，其他時間區間主要接受全球股市的風險傳染。此外，SMI和AS30受全球股市的風險溢入接近100%，很少對其他股市產生風險沖擊。

綜上分析，全球股市風險的聯動性很強，而美國股市一直是全球股市的重要風險源。

3.3.3 大宗商品的滾動溢出

以6種商品期貨指數的已實現波動率作為變量建立VAR(p)模型，以48個月作為滾動時間窗長度計算的時變風險溢出指數和總風險溢出指數見圖6和圖7。滾動時間的長度與3.3.1相同，累計185個月。

本研究選擇的6種商品期貨的各類溢出指數也是時變的，這些品種的總風險溢出指數在2012年以后呈現出逐漸下降的趨勢。觀察圖6可以發現，6種商品的溢入指數均在50%上下徘徊，說明這些商品期貨受自身的波動沖擊較大。原油的溢出指數和凈溢出指數長期在溢入指數的上方，體現了原油對其他5種商品具有持續性的風險溢出。原油在2010年至2012年、2016年至2019年的凈溢出指數都出現大幅度攀升(超過100%)，這兩段時間原油正處于強勢的牛市周期，說明原油上漲對大宗商品沖擊很大。黃金的凈溢出指數在2013年至2017年呈現持續性上升，最高點達100%，這是因為黃金在2013年遇到大級別的行情背離，然后陷入了長達4年的大熊市。該現象反映黃金在熊市中對其他大宗商品產生了持續性的風險沖擊。白銀在2006年至2012年溢出指數持續性較大，在此期間白銀開啟了一輪長達6年的大牛市。銅、鋁和大豆的凈溢出指數長期為負值，體現了這3個品種長期接受外部市場的波動沖擊，對外釋放風險的機會不大。

(a)SPX(b)SX5E(c)CAC(d)DAX (e)NKY(f)HSI(g)SSEC(h)SPTSX(i)UKX(j)AS30(k)SMI

圖4全球股市的時變風險溢出指數
Figure 4Time-varying Risk Spillover Index of Global Stock Markets

圖5 全球股市的總風險溢出指數Figure 5 Total Risk Spillover Index of Global Stock Markets

綜上分析，貴金屬和原油期貨在牛熊市中形成了持續性的風險溢出。

3.3.4 多種資產的交叉滾動溢出

以27種資產的已實現波動率作為變量建立VAR(p)模型，以120個月作為滾動時間窗計算各類溢出指數。滾動時間的起點為2010年1月，終點為2019年5月，累計113個月。由于篇幅限制，僅給出總溢出指數，見圖8，其他時變風險溢出指數不予展示，如有需要可向作者索取。

(a)OIL(b)GOLD(c)SLVR (d)CU(e)AL(f)Y

圖6大宗商品的時變風險溢出指數
Figure 6Time-varying Risk Spillover Index of Commodities

圖7 大宗商品的總風險溢出指數Figure 7 Total Risk Spillover Index of Commodities

圖8表明，2012年至2015年27個資產的總溢出指數呈現上升趨勢，但2015年至今下降。總溢出指數于2015年出現峰值，分析時變風險溢出指數序列發現EUR和CHF兩種匯率是風險溢出的主要角色，用金融風險溢出網絡對其進行更加深入的探討。①總溢出指數的峰值發生時點為2015年1月31日。②以27個資產作為網絡節點，以廣義預測誤差方差矩陣作為連接矩陣，構建金融風險溢出網絡，見圖9，圖中數字含義同圖1。③風險溢出網絡具有27個節點、729條邊。網絡中心度越大，表示該資產的風險溢出效應越大。風險溢出網絡中圓圈較大的兩個節點為CHF和EUR，二者的網絡中心度(即溢出指數)最大，分別為852.315%和432.699%。

圖8 大類資產的總風險溢出指數Figure 8 Total Risk Spillover Index of Large Class Assets

圖9 總風險溢出指數峰值對應的風險溢出網絡Figure 9 Risk Spillover Network Corresponding to the Peak of the Total Risk Spillover Index

根據不同資產的溢入指數分析可知，除匯率EUR、HKD、CNY和股票指數SSEC外，其他所有資產的溢入指數都很接近100%，說明股票市場、外匯市場和期貨市場都長期受到外部市場的風險傳染，體現了全球金融市場的風險聯動性。關于外匯市場，大部分匯率都呈現階段性的正向凈風險溢出，表明匯率在全球金融市場扮演重要的風險傳染角色。最顯著的依然是歐美匯率EUR，其溢入指數最低，溢出指數和凈溢出指數長期高達300%以上。JPY和AUD的溢出指數長期在100%以上，說明也發揮了風險溢出功能。HKD和CNY的溢入指數在50%左右，說明港幣和人民幣的匯率受外部市場沖擊有限。與前文結果相似，CNY的凈溢出指數在2016年后處于攀升階段，說明人民幣國際化趨勢逐漸增強。

概括股市和商品的風險溢出行為，根據凈溢出指數分析可知，凈溢出指數階段性為正的股市主要是SPX、HIS和SSEC。溢出指數長期超過100%的是SPX，說明美國股市持續性地對全球金融市場釋放波動沖擊。特別的，中國股市和香港股市在2015年的極端波動對外部市場造成了較為強烈的風險沖擊。2010年以來，原油、貴金屬等商品期貨的風險溢出出現了脈沖式上漲，但長期來看大宗商品的凈風險溢出皆表現為負，說明大宗商品對外部市場的風險傳染十分有限。美國國債期貨和VIX期貨對其他資產的風險溢出很弱。

綜上分析，全球金融市場的風險聯動性很強，匯率對全球金融市場的風險溢出效應最強，歐美匯率和美國股市是重要風險源，期貨市場的風險傳染較弱。

4結論

本研究基于DY建模框架從全球視野研究大類資產的風險溢出行為，以資產的月度已實現波動率建立VAR模型，以廣義誤差方差分解矩陣構建有向溢出指數和風險溢出網絡，并以此作為研究工具對大類資產進行風險溢出研究，考察外匯市場、股票市場和期貨市場的27種重要資產，通過靜態分析和滾動分析對大類資產的風險溢出效應進行實證研究。

研究結果表明，①各類資產的月度已實現波動率滿足VAR建模的平穩性要求，為DY模型應用奠定了堅實基礎。②通過研究8種兌換美元的匯率發現，外匯市場存在很強的風險溢出效應。歐美匯率是外匯市場最主要的風險傳染源，其余匯率長期承受外部市場的風險傳染，而對外傳播風險屬于偶發性；人民幣匯率波動受外部沖擊較小，它的溢出指數自2014年以來呈現上升態勢，表明人民幣的影響力正在增強。③通過研究11個全球股市發現，全球股市之間的聯動性極強。美國股市一直是全球股市最重要的風險傳染源，歐元區股票指數的風險溢出也很明顯，其余股市長期承受外部股市的風險沖擊。中國股市在2008年和2016年暴跌過程中對其他股市造成了較大的風險沖擊。④通過研究6種商品期貨發現，倫敦金屬期貨之間存在較強的風險溢出效應。作為最重要的能源，原油期貨具有較強的風險溢出能力。作為具有保值避險功能的貴金屬，黃金和白銀期貨在大型牛熊市中產生了持續性的風險傳染。⑤通過研究27種資產的交叉溢出發現，全球外匯市場、股票市場和期貨市場之間具有很強的風險溢出關系。匯率對全球金融市場的風險溢出效應最強，美國股市對全球市場具有持續性的風險沖擊，包括美國國債期貨和VIX期貨在內的期貨品種對外部市場的風險傳染能力較弱。

本研究在理論、實務和政策上都有重要啟示。理論方面，①本研究采用不受變量順序影響的DY框架計算有向溢出指數，得到的風險溢入指數、風險溢出指數和凈溢出指數存在時變性，它們為風險溢出行為提供了滾動分析工具。②廣義誤差方差分解矩陣存在非對稱性，可直接用于構建金融風險溢出網絡，它為大類資產的風險傳染行為提供了直觀分析工具。實務方面，①本研究證實全球股票市場的風險聯動性很強，而且各國股市一定程度上都受到美國股市的波動沖擊。因此，在股票投資決策中應該特別重視美國股市的風險傳染。②本研究結果也表明外匯市場對股票市場具有重要的風險沖擊。當歐美匯率或者人民幣兌換美元匯率產生異常波動時，股票投資決策應該充分重視匯率波動風險。政策方面，①隨著人民幣國際化，人民幣匯率的波動備受關注。本研究深入研究了人民幣匯率在外匯市場中的風險溢入和風險溢出的歷史表現，相關結論可為中國制定匯率政策提供經驗證據。②隨著中國股市的不斷開放，尤其是外資額度的放寬，中外股市的聯動性會持續增強。在此背景下，利用本研究方法持續跟蹤中外股市風險傳染，對制定防范股市風險的相應政策具有重要意義。

本研究也存在局限性。①本研究基于月度已實現波動率研究大類資產的長期風險溢出效應，尚未研究短期風險溢出效應。②由于DY研究框架已被證實具有很高穩健性[12-13,20-21]，本研究弱化了對DY研究框架的穩健性討論。③風險溢出網絡的應用價值很大，本研究僅將其用來追溯風險源，尚未考慮它在投資策略方面的價值。有鑒于此，未來研究可探討金融市場的短期風險溢出效應，從而更加及時地捕捉到重大的事件性風險沖擊，還可以基于風險溢出網絡的網絡中心度研究資產定價和大類資產配置方法。